基于自定义数据集训练的YOLOv5如何计算两检测目标间的距离？

你已经通过以下命令完成YOLOv5自定义目标检测：

python detect.py --weights runs\train\exp2\weights\last.pt --img 640 --conf 0.25 --source 0

下面分两种场景给出具体实现方案：

一、计算图像上的像素距离 #

这是最直接的方式，仅需基于检测框坐标计算即可：

• 提取目标框中心点：修改detect.py，在检测结果处理逻辑中，对每个检测到的目标（对应你的两个自定义类别），计算其bbox的中心点坐标(x_center, y_center) = ((x1+x2)/2, (y1+y2)/2)，其中x1,y1,x2,y2是检测框的左上角和右下角坐标。
• 计算欧几里得距离：对两个目标的中心点，用公式distance = √[(x2-x1)² + (y2-y1)²]计算像素距离。
• 输出结果：可将距离标注在检测画面上，或打印到控制台。

代码修改示例 #

在detect.py中找到处理检测结果的循环部分，插入以下代码：

# 筛选出你的两个目标类别（替换成你数据集对应的类别索引，比如0和1）
target_centers = []
for *xyxy, conf, cls in reversed(pred):
    cls_idx = int(cls)
    if cls_idx in [0, 1]:
        x1, y1, x2, y2 = xyxy
        x_center = (x1 + x2) / 2
        y_center = (y1 + y2) / 2
        target_centers.append((x_center, y_center))

# 仅当检测到两个目标时计算距离
if len(target_centers) == 2:
    dx = target_centers[1][0] - target_centers[0][0]
    dy = target_centers[1][1] - target_centers[0][1]
    pixel_dist = (dx**2 + dy**2)**0.5
    # 在画面上标注距离
    cv2.putText(img, f"Pixel Distance: {pixel_dist:.2f}", (30, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
    # 控制台打印
    print(f"两目标像素距离: {pixel_dist:.2f}")

二、计算真实世界的实际距离 #

如果需要真实物理距离，需结合相机参数或参照物完成像素到真实尺寸的转换：

• 确定像素比例：找一个已知真实尺寸的参照物（比如边长10cm的正方形），拍摄后测量其在图像中的像素尺寸，计算比例scale = 真实尺寸 / 像素尺寸（例如10cm对应200像素，则scale=0.05cm/像素）。
• 转换真实距离：用计算出的像素距离乘以scale，得到真实物理距离。
• 进阶优化：若目标不在同一平面，需结合深度信息（可通过双目相机、结构光或单目相机基于已知目标尺寸估算深度）计算3D空间距离。

代码示例（基于比例转换） #

在上述像素距离计算的基础上，添加：

# 替换为你实际测量得到的比例
scale = 0.05  # 单位：cm/像素
real_dist = pixel_dist * scale
print(f"两目标实际距离: {real_dist:.2f} cm")
cv2.putText(img, f"Real Distance: {real_dist:.2f} cm", (30, 70), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)

注意事项 #

• 确保自定义类别的索引匹配正确，避免筛选错误的目标框。
• 真实距离计算时，尽量让目标和参照物处于同一拍摄平面，减少误差。
• 动态场景中，若相机或目标移动，需重新校准比例或深度信息。

内容的提问来源于stack exchange，提问作者Taha Farshbaf